rag-implementation

RAG 実装ワークフロー

概要

埋め込みモデルの選定、ベクトルデータベースのセットアップ、チャンク分割戦略、検索の最適化、評価など、RAG（検索拡張生成）システムを実装するための専門的なワークフローです。

このワークフローを使用する場合

次の場合にこのワークフローを使用します。

• RAG を活用したアプリケーションを構築する
• セマンティック検索を実装する
• ナレッジに基づく AI を作成する
• ドキュメント Q&A システムをセットアップする
• 検索品質を最適化する

ワークフローのフェーズ

フェーズ 1：要件分析

呼び出すスキル

• ai-product - AI プロダクト設計
• rag-engineer - RAG エンジニアリング

アクション

1. ユースケースを定義する
2. データソースを特定する
3. 精度要件を設定する
4. レイテンシの目標を決定する
5. 評価指標を計画する

コピーして使えるプロンプト

Use @ai-product to define RAG application requirements

フェーズ 2：埋め込みモデルの選定

呼び出すスキル

• embedding-strategies - 埋め込みモデルの選定
• rag-engineer - RAG のパターン

アクション

1. 埋め込みモデルを評価する
2. ドメインとの関連性をテストする
3. 埋め込み品質を測定する
4. コストとレイテンシを考慮する
5. モデルを選定する

コピーして使えるプロンプト

Use @embedding-strategies to select optimal embedding model

フェーズ 3：ベクトルデータベースのセットアップ

呼び出すスキル

• vector-database-engineer - ベクトル DB
• similarity-search-patterns - 類似性検索

アクション

1. ベクトルデータベースを選択する
2. スキーマを設計する
3. インデックスを設定する
4. 接続をセットアップする
5. クエリをテストする

コピーして使えるプロンプト

Use @vector-database-engineer to set up vector database

フェーズ 4：チャンク分割戦略

呼び出すスキル

• rag-engineer - チャンク分割戦略
• rag-implementation - RAG の実装

アクション

1. チャンクサイズを選択する
2. チャンク分割を実装する
3. オーバーラップ処理を追加する
4. メタデータを作成する
5. 検索品質をテストする

コピーして使えるプロンプト

Use @rag-engineer to implement chunking strategy

フェーズ 5：検索の実装

呼び出すスキル

• similarity-search-patterns - 類似性検索
• hybrid-search-implementation - ハイブリッド検索

アクション

1. ベクトル検索を実装する
2. キーワード検索を追加する
3. ハイブリッド検索を設定する
4. 再ランキングをセットアップする
5. レイテンシを最適化する

コピーして使えるプロンプト

Use @similarity-search-patterns to implement retrieval

Use @hybrid-search-implementation to add hybrid search

フェーズ 6：LLM の統合

呼び出すスキル

• llm-application-dev-ai-assistant - LLM の統合
• llm-application-dev-prompt-optimize - プロンプトの最適化

アクション

1. LLM プロバイダーを選択する
2. プロンプトテンプレートを設計する
3. コンテキストの注入を実装する
4. 引用の処理を追加する
5. 生成品質をテストする

コピーして使えるプロンプト

Use @llm-application-dev-ai-assistant to integrate LLM

フェーズ 7：キャッシュ

呼び出すスキル

• prompt-caching - プロンプトキャッシュ
• rag-engineer - RAG の最適化

アクション

1. 応答のキャッシュを実装する
2. 埋め込みキャッシュをセットアップする
3. TTL を設定する
4. キャッシュの無効化を追加する
5. キャッシュヒット率を監視する

コピーして使えるプロンプト

Use @prompt-caching to implement RAG caching

フェーズ 8：評価

呼び出すスキル

• llm-evaluation - LLM の評価
• evaluation - AI の評価

アクション

1. 評価指標を定義する
2. テストデータセットを作成する
3. 検索精度を測定する
4. 生成品質を評価する
5. 改善を繰り返す

コピーして使えるプロンプト

Use @llm-evaluation to evaluate RAG system

RAG アーキテクチャ

User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context

信頼性と評価の境界

検索時と引用を返す際の両方で、ドキュメントへのアクセスを強制してください。キャッシュはテナント、権限スコープ、モデル／インデックスのリビジョンごとに分離してください。検索されたテキストは根拠であり、指示を上書きしたりツールを呼び出したりする権限ではありません。ドキュメント／ソースのバージョンと、チャンク、埋め込み、キャッシュ済み回答への削除の伝播を追跡してください。保留しておいたクエリを使って、テナント間の否定例、回答不能な質問、ドキュメントに埋め込まれた指示を含め、検索の関連性と回答の根拠性を別々に評価してください。もっともらしい引用付きの回答であっても、その引用が回答を裏付けている証明にはなりません。

品質ゲート

• 埋め込みモデルを選定済み
• ベクトル DB を設定済み
• チャンク分割を実装済み
• 検索が動作
• LLM を統合済み
• 評価に合格

関連するワークフローバンドル

• ai-ml - AI／ML 開発
• ai-agent-development - AI エージェント
• database - ベクトルデータベース

制限事項

• このスキルは、タスクが上記のスコープに明確に一致する場合にのみ使用してください。
• 出力を、環境固有の検証、テスト、専門家によるレビューの代替として扱わないでください。
• 必要な入力、権限、安全境界、成功基準が欠けている場合は、作業を中断して確認を求めてください。